模型评估——ROC曲线

ROC曲线

横坐标为假阳性率 纵坐标为真阳性率

其中n为负样本个数 p为真实的正样本个数。

ROC曲线的绘制：二值分类问题中，模型的输出一般都是预测样本为正例的概率，概率大于该值则判断为正例，小于该值判为负例。计算FPR和TPR 形成ROC曲线上的一点。通过不断的移动截断点，则可绘制出ROC曲线。

AUC曲线： ROC曲线下的面积，也就是ROC曲线的积分，能够量化反映出基于ROC曲线衡量出的模型性能

ROC曲线与 p-R 曲线：当正负样本的分布发生变化时，ROC曲线形状能保持基本不变，而P-R曲线形状一般会发生剧烈的变化。ROC曲线能更加稳定地反映模型本身的好坏，广泛应用于排序、推荐、广告等领域。如果希望更多地看到模型在特定数据集上的表现，P-R曲线能更直观地反映其性能。